Eugen Soloviov
Trading-systems engineer
Trading-systems engineer building bots since 2017: cross-exchange arbitrage (connected up to 30 venues), cointegration-based pairs arbitrage across spot and futures, scalping, news and sentiment-driven strategies, trend algorithms, and portfolio management and balancing algorithms. Also builds sub-millisecond order execution, big-data warehouses, backtesting engines, AI agents, and trading interfaces (incl. open-source profitmaker.cc). Stack: JS/TS, Python, Rust/Zig/Go, DevOps, backend, frontend, architecture.
Artikelen
Queue Inside the Wall: Analyzing Order Position in Order Book Density
How understanding your place in the queue at a price level transforms scalping from guesswork into an engineering problem
LLM Alpha Mining: hoe haal je handelssignalen uit earnings calls en financiële documenten
Hoe je grote taalmodellen gebruikt om handelssignalen te halen uit gesprekken met investeerders, rapporten en nieuws. Chain-of-thought prompting, gestructureerde extractie, signaal-backtesting.
Statistical Arbitrage and Pairs Trading in Crypto Markets: From Cointegration to the Kalman Filter
A complete guide to statistical arbitrage for crypto markets. Cointegration, Kalman filter, basis strategies, cross-exchange arbitrage. With backtests and Python code.
De digitale vingerafdruk van een trader: hoe je een market maker herkent aan zijn orderboekgedrag
Elk algoritme laat een unieke vingerafdruk achter. Leer die te lezen — en je weet wie er aan de andere kant van je trade zit.
PnL per actieve tijd: de metriek die de strategierangschikking verandert
Waarom bruto jaarlijkse PnL een slechte metriek is om strategieën met verschillende handelstijd te vergelijken. Hoe je het effectieve rendement berekent, waarom je fill_efficiency nodig hebt, en waarom een strategie met 27% PnL beter kan presteren dan een met 300%.
Adaptieve Drill-Down: Backtesten met Variabele Granulariteit van Minuten tot Ruwe Trades
Hoe adaptieve datagranulariteit backtests versnelt en opslag bespaart: drill-down van 1m naar 1s, 100ms en ruwe trades alleen waar de prijs significant bewoog of het volume piekte, niet over de hele historische reeks.
Geaggregeerde Parquet-cache: hoe je multi-timeframe backtests honderden keren sneller maakt
Hoe je timeframes en indicatoren vooraf berekent uit minutencandles, ze opslaat in parquet en gebruikt voor grootschalig testen van strategieën zonder overbodige herberekeningen.
Walk-Forward Optimization: The Only Honest Strategy Test
Why a single train/test split does not protect against overfitting, how walk-forward optimization systematically verifies parameter robustness, and why a strategy with +3342% PnL@ML on 21 parameters is a ticking time bomb without WFO.
Signal Correlation: How Many Pairs to Monitor
Why 10 crypto pairs don't provide 10x diversification, how to calculate effective_N via correlation_factor, and how many pairs you really need to monitor for 80-90% orchestrator slot utilization.
Polars vs Pandas for Algotrading: Benchmarks on Real Data
Detailed comparison of Polars and Pandas on algotrading tasks: benchmarks for filtering, aggregation, rolling signal computations, I/O, and memory consumption. Hybrid Polars + Numba architecture for maximum backtest performance.
Plateau-analyse: hoe onderscheid je een robuust optimum van overfitting
Waarom het vinden van de beste strategieparameters slechts het halve werk is. Hoe je visueel en kwantitatief een stabiel plateau van een fragiele piek onderscheidt, en waarom Optuna contourplots een verplichte stap zijn voordat je een geoptimaliseerde strategie in productie lanceert.
Coordinate Descent vs Bayesiaanse Optimalisatie: Wie Vindt Betere Parameters
Waarom uitputtend zoeken onmogelijk is bij 12+ parameters, hoe coordinate descent interacties mist, en hoe Optuna met een TPE-sampler in 500 iteraties vindt wat OAT niet kan vinden in 96. Praktische codevoorbeelden, samplervergelijking en multi-objective optimalisatie.